基于matlab-pca的人脸相似度.zip

warning off imgsize=[300 300]; [fn,pn,~]=uigetfile('*.*','选择图片');%选择图片 imgA=imread([pn,fn]);%读取原始图像 img1 = imresize(imgA,imgsize, 'bilinear');%双线性插值方法改变图片大小 img1=rgb2gray(img1);%彩色图像装化为灰度值图像 img1=im2double(img1);%彩色图像装化为二值图像 [h,l]=size(img1); gj=reshape(img1,[h*l,1]); gj=zscore(gj); %数据标准化 r=corrcoef(gj); %计算相关系数矩阵 %下面利用相关系数矩阵进行主成分分析，x的列为r的特征向量，即主成分的系数 [x,~,z]=pcacov(r); %y为r的特征值，z为各个主成分的贡献率 f=repmat(sign(sum(x)),size(x,1),1); %构造与x同维数的元素为±1的矩阵 x=x.*f; %修改特征向量的正负号，每个特征向量乘以所有分量和的符号函数值 df=gj*x(:,1); %计算各个主成分的得分 tf=df*z(1)/100; %计算综合得分 % [stf,ind]=sort(tf,'descend'); %把得分按照从高到低的次序排列 [fn,pn,fi]=uigetfile('*.*','选择图片');%选择图片 imgB=imread([pn,fn]);%读取原始图像 img2 = imresize(imgB,imgsize, 'bilinear');%双线性插值方法改变图片大小 img2=rgb2gray(img2);%彩色图像装化为灰度值图像 img2=im2double(img2);%彩色图像装化为二值图像 [h,l]=size(img2); gj=reshape(img2,[h*l,1]); gj=zscore(gj); %数据标准化 r=corrcoef(gj); %计算相关系数矩阵 %下面利用相关系数矩阵进行主成分分析，x的列为r的特征向量，即主成分的系数 [x,y,z]=pcacov(r); %y为r的特征值，z为各个主成分的贡献率 f=repmat(sign(sum(x)),size(x,1),1); %构造与x同维数的元素为±1的矩阵 x=x.*f; %修改特征向量的正负号，每个特征向量乘以所有分量和的符号函数值 df=gj*x(:,1); %计算各个主成分的得分 tf1=df*z(1)/100; %计算综合得分 for i=1:h*l xsd=norm(abs(log(tf(i,1)))-abs(log(tf1(i,1)))); %与训练样本进行匹配 end figure subplot(121), imshow(imgA, []);title('第一次所选图片')%显示近似系数 subplot(122), imshow(imgB, []);title('第二次所选图片')%显示水平细节分量 fprintf("两次所选图片误差为：%d\n",xsd);